isight优化设计—optimization

《isight优化设计—optimization》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、iSIGHT优化设计—Optimization1概述1.1传统劳动密集型的人工设计1.2iSIGHT智能软件机器人驱动的设计优化1.3优化问题特征（1）约束（2）线性（3）非线性（4）多峰性（5）离散取值（6）组合问题（7）优化问题按特征分类对优化设计的研究不断证实，没有任何单一的优化技术可以适用于所有设计问题。实际上，单一的优化技术甚至可能无法很好地解决一个设计问题。不同优化技术的组合最有可能发现最优设计。优化设计极大地依赖于起始点的选择，设计空间本身的性质（如线形、非线形、连续、离散、变量数、约束等

2、等）。iSIGHT就此问题提供两种解决方案。第一，iSIGHT提供完备的优化工具集，用户可交互式选用并可针对特定问题进行定制。第二，也是更重要的，iSIGHT提供一种多学科优化操作模式，以便把所有的优化算法有机组合起来，解决复杂的优化设计问题。2优化算法概述iSIGHT包含的优化方法可以分为四大类：数值优化、全局探索法、启发式优化法和多目标多准则优化算法。数值优化（如爬山法）一般假设设计空间是单峰的，凸起的和连续的，本质上是一种局部优化技术。全局探索技术则避免了局限于局部区域，一般通过评估整个设计空间的

3、设计点来寻找全局最优。启发式技术是按用户定义的参数特性和交叉影响方向寻找最优方案。多目标优化则需要权衡，iSIGHT正是提供了一种易于使用的多目标准则权衡分析框架。另外自iSIGHTv9.0开始新增加了Pointer优化器，它是GA、MPQL、N-M单纯形法以及线性单纯形法的组合。iSIGHT包含的具体算法按分类列表如下:2.1数值方法iSIGHT纳入了十二种数值优化算法。其中八种是直接法，在数学搜索过程中直接处理约束条件。而ExteriorPenalty方法和Hooke-Jeeves方法是罚函数法，它

4、们通过在目标函数中引入罚函数将约束问题转化为无约束问题。2.2全局探索法iSIGHT全局探索法包括遗传算法和模拟退火算法，它们不受凸（凹）面性、光滑性或设计空间连续性的限制。在iSIGHT遗传算法中，初始设计种群通过选择、杂交、突变等遗传操作得到进化，新的设计种群根据适者生存的法则从上一代种群中挑选出来。具有批量评估功能的遗传算法会收集受扰动的种群子集，集中地成组传送给iSIGHT进行评估，而不是一次一个的评估，从而极大地提高了评估种群的效率，比如多岛遗传算法。与其他遗传算法一样，多岛遗传算法也是根据目

5、标函数和约束条件对每个设计点进行评估，但不同的是，多岛遗传算法将设计种群分解为子种群，也称为“岛”。部分个体会在各“岛”之间定期进行迁移。这种迁移操作通常会使多岛遗传算法比其他遗传算法更加高效。iSIGHT中的模拟退火技术是一种自适应模拟退火算法。这种算法模仿金属的退火过程，当金属冷却时分子会从高能级向低能级跃迁，但偶尔一个分子会跳回高能级状态。与此类似，当这一算法开始向一个解收敛时，偶尔会跳出这一趋势去尝试一个设计变量数值完全不同的设计点。2.3启发式搜索定向启发式搜索(DHS)技术是一种iSIGHT

6、软件（受专利保护）的特有算法，它根据用户在如右图所示的相关表中提供的信息对设计参数进行操作。在该图中，用户对每一个参数和其特性进行描述，告诉DHS如何按一种与其大小量级以及影响力相一致的方式调整设计变量。通过告诉优化引擎怎样改变设计变量，用户可以有效地将大部分冗余设计点从设计空间剔除。因为这个原因，当参数的关系确定后，DHS可以比标准数学优化技术更高效地进行设计探索。2.4多目标多准则优化算法优化按照优化目标的个数分为单目标优化和多目标优化。实际的优化问题很少是单目标的，比如，追求高性价比就是要求在成本

7、低的同时质量好，是两个目标优化的问题。多目标优化是提高产品竞争力的重要手段。多目标优化需要权衡。iSIGHT提供了一种易于使用的图形界面驱动的多准则权衡分析框架。工程师需要不断重复的过程——一点一点放宽约束条件从而得到一条最优设计方案的权衡曲线，在iSIGHT中可以实现完全的自动化。对于如何调整各个设计准则从而在所有的设计准则间产生一个平衡得最好的设计方案，多准则权衡分析可以提供非常有价值的信息。2.5Pointer全能优化器Pointer全能优化器让工程师无需了解优化算法，只需在优化某问题之前对优化器

8、进行相似问题求解训练,当优化器了解该问题的求解经验后，便能组合使用四种优化算法快速优化这一类设计问题，得到高效的优化结果。PointerOptimizer可以控制4种优化算法的组合：1、对线性问题：线性单纯形法LinearSimplex高效解决线性问题2、对光滑连续问题：序列二次规划的Schittowski版本：NLPQL具有非常好的收敛性和数值稳定性3、对非光滑连续问题：Nelder-Mead下降单纯形法具有非常好的效率4、对全局问题、非